資訊內(nèi)容
/
綜合信息
2022年9月5日四川瀘定6.8級(jí)地震人工智能地震預(yù)警初步成果
發(fā)布時(shí)間： 2022-09-12 點(diǎn)擊數(shù)量：21812022年9月5日12時(shí)52分在四川甘孜州瀘定縣發(fā)生了6.8級(jí)地震，地震發(fā)生后，中國(guó)地震局工程力學(xué)研究所李山有課題組，利用此次地震獲取的近場(chǎng)強(qiáng)震動(dòng)數(shù)據(jù)，基于國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目研發(fā)的人工智能地震預(yù)警參數(shù)確定成套方法模型，進(jìn)行了地震預(yù)警震級(jí)估算與現(xiàn)地潛在破壞預(yù)測(cè)，為地震應(yīng)急提供信息支撐。
1. 數(shù)據(jù)
強(qiáng)震數(shù)據(jù)的收集與處理：震后第一時(shí)間收集了此次地震的強(qiáng)震儀與烈度儀數(shù)據(jù)，臺(tái)站分布圖與震中分布圖詳見(jiàn)圖1。
圖1 2022年9月5日四川瀘定6.8級(jí)地震震中及臺(tái)站分布圖
2. 方法與結(jié)果
（1）人工智能震級(jí)估算：采用基于川滇數(shù)據(jù)遷移學(xué)習(xí)后的人工智能DCNN-M模型進(jìn)行實(shí)時(shí)震級(jí)估算，目前該模型已在福建局、四川局在線運(yùn)行。DCNN-M模型使用從P波到達(dá)后記錄的3s地震數(shù)據(jù)中提取的12個(gè)參數(shù)作為輸入，并且該模型由四個(gè)卷積層、四個(gè)池化層、四個(gè)Batch normalization層、三個(gè)全連接層、Adam優(yōu)化器和一個(gè)輸出層組成。圖2展示了DCNN-M模型的網(wǎng)絡(luò)架構(gòu)。
圖2 人工智能DCNN-M震級(jí)估算網(wǎng)絡(luò)架構(gòu)
圖3 人工智能地震預(yù)警震級(jí)估算結(jié)果隨時(shí)間變化的過(guò)程
圖3展示了人工智能DCNN-M震級(jí)估算結(jié)果隨時(shí)間變化的過(guò)程，可以看到，在此次瀘定6.8級(jí)地震中，首臺(tái)觸發(fā)后1秒人工智能與傳統(tǒng)震級(jí)估算模型都可以給出震級(jí)估算結(jié)果，首臺(tái)觸發(fā)2秒后人工智能震級(jí)估算結(jié)果上升速率較傳統(tǒng)震級(jí)估算模型更快，首臺(tái)觸發(fā)后3.5秒人工智能震級(jí)估算結(jié)果為6.2級(jí)、較傳統(tǒng)震級(jí)估算模型更接近編目震級(jí)，隨后人工智能震級(jí)估算結(jié)果知道首臺(tái)觸發(fā)后10秒都穩(wěn)定在6.3級(jí)，與傳統(tǒng)震級(jí)估算模型相當(dāng)。
（2）基于人工智能的現(xiàn)地潛在破壞預(yù)測(cè)：基于多特征輸入和機(jī)器學(xué)習(xí)支持向量機(jī)（SVM）分別建立震級(jí)估計(jì)和峰值速度（PGV）預(yù)測(cè)方程，這兩種預(yù)測(cè)方程分別稱為估計(jì)震級(jí)的SVM-M模型和預(yù)測(cè)PGV的SVM-PGV模型。設(shè)置預(yù)測(cè)震級(jí)閾值和PGV閾值分別為M=5.7和PGV=9.12 cm/s，當(dāng)預(yù)測(cè)震級(jí)或PGV值超過(guò)給定閾值時(shí)，會(huì)在不同的記錄點(diǎn)發(fā)出不同的警報(bào)級(jí)別（0、1、2、3）。警報(bào)級(jí)別3表示預(yù)測(cè)的震級(jí)和預(yù)測(cè)的PGV都超過(guò)給定的閾值，并且該記錄站點(diǎn)可能會(huì)受到嚴(yán)重破壞。圖4展示了該模型方法。
圖4 基于人工智能的現(xiàn)地潛在破壞預(yù)測(cè)模型
圖5 基于P波3秒數(shù)據(jù)的人工智能現(xiàn)地潛在破壞預(yù)測(cè)結(jié)果分布
圖5展示了此次地震中，各個(gè)臺(tái)站利用P波前3秒數(shù)據(jù)預(yù)測(cè)現(xiàn)地潛在破壞的結(jié)果，可以看到，99%以上的臺(tái)站預(yù)測(cè)水準(zhǔn)與實(shí)測(cè)水準(zhǔn)都可以保持一致，同時(shí)可以看到，預(yù)測(cè)水準(zhǔn)為3的臺(tái)站與震后烈度分布圖的長(zhǎng)軸整體走向呈現(xiàn)一致性，本模型不僅可以快速預(yù)測(cè)現(xiàn)地臺(tái)站的潛在破壞，也可為地震發(fā)生時(shí)快速預(yù)測(cè)影響場(chǎng)提供支撐。
3. 致謝
中國(guó)地震臺(tái)網(wǎng)中心與中國(guó)地震局工程力學(xué)研究所為本研究提供了強(qiáng)震儀與烈度儀數(shù)據(jù)，福建省地震局為本研究提供了人工智能與傳統(tǒng)震級(jí)估算產(chǎn)出日志。
4. 參考文獻(xiàn)：
[1] Zhu Jingbao, Li Shanyou, Song Jindong*, Wang Yuan. Magnitude estimation for earthquake early warning using a deep convolutional neural network. Frontiers in Earth Science, 2021, 9:653226. doi: 10.3389/feart.2021.653226
[2] Zhu Jingbao, Li Shanyou, Ma Qiang, He Bin, Song Jindong*. Support Vector Machine‐Based Rapid Magnitude Estimation Using Transfer Learning for the Sichuan–Yunnan Region, China. Bulletin of the Seismological Society of America, 2022, doi: https://doi.org/10.1785/0120210232
[3] Jindong Song, Jingbao Zhu, Yuan Wang, Shanyou Li*. On-Site Alert-Level Earthquake Early Warning Using Machine-Learning-Based Prediction Equations. Geophysical Journal International, 2022. https://doi.org/10.1093/gji/ggac220
